轻松驾驭网页任务！来看看 Hermes Agent 浏览器自动化实战中的 5 大必备工具吧！

任务概述

今天的任务是要在 Google Chrome 浏览器中打开百度聊天页面（https://chat.baidu.com/）来查找今天的新闻，并把我们的对话内容截图保存到桌面上。

使用工具与技能

1. 浏览器自动化工具集

browser_navigate

• 功能：导航到指定网址
• 使用：打开百度聊天页面
• 返回信息：页面标题、快照数据和网址状态

browser_snapshot

• 功能：获取页面的可访问性快照
• 使用：观察页面元素结构，找出可以互动的元素
• 参数：full=true 获取完整内容，full=false 获取紧凑视图

browser_type

• 功能：向输入框输入文本
• 使用：在搜索框输入“今天的新闻有哪些？”
• 参数：ref 元素引用 ID（例如 @e18）

browser_press

• 功能：模拟键盘操作
• 使用：按 Enter 提交查询，按 Down 键选择选项
• 参数：key 键名（比如 Enter, Down, Tab）

browser_vision

• 功能：截图并分析页面的视觉内容
• 使用：获取页面的截图
• 结果：截图会保存到 /home/.hermes/cache/screenshots/

2. 代码执行工具

execute_code

• 功能：执行 Python 脚本来完成系统操作
• 使用：将截图从缓存目录复制到用户桌面
• 脚本操作：
• 确保桌面目录是存在的
• 将截图文件复制到 Desktop/对话截图.png

技术架构

这次的任务展示了 Hermes Agent 的基本功能：

1. 浏览器工具链：拥有完整的自动化能力，支持导航、互动、截图和视觉分析
2. 代码执行：能够执行系统命令和处理文件操作
3. 持久化存储：截图自动保存到指定的缓存目录

执行结果

任务执行情况

• ✅ 成功打开百度的聊天界面
• ✅ 成功输入并提交了查询内容
• ✅ 成功获取了页面上的新闻汇总
• ✅ 截图已保存至桌面：/home/Desktop/对话截图.png

系统详情

• 日期：2026 年 4 月 11 日
• 操作系统：Linux 环境
• 浏览器类型：Google Chrome（通过 Browserbase 运行）
• 使用模型：QwenPaw-Flash-9B-Q8_0（由 custom 提供）

这份文档是 Hermes Agent 自动生成的，详细记录了工具的使用过程及结果。